Este estudio presenta un marco descentralizado para la protección de derechos de autor de vídeo que integra blockchain privado, contratos inteligentes y técnicas de hashing perceptual. El objetivo es permitir el registro seguro de la propiedad, una gestión inmutable de registros y una verificación eficiente basada en similitudes del contenido de vídeo en entornos distribuidos.
Artículo de investigación
Un enfoque descentralizado para la protección de derechos de autor de vídeo utilizando blockchain privada y hashing perceptual
En este artículo
Resumen
Resumen
La creciente popularidad del intercambio de contenido en vídeo en Internet ha generado preocupaciones sobre violaciones de derechos de autor, piratería y disputas de propiedad. Los métodos tradicionales y centralizados para gestionar los derechos de autor enfrentan problemas de transparencia, susceptibilidad a la manipulación y dependencia de terceros de confianza. Por ello, este estudio presenta un sistema descentralizado de protección de derechos de autor de vídeo basado en Hyperledger Fabric, contratos inteligentes y hashing perceptual. En primer lugar, se extraen los fotogramas de los vídeos y se crean huellas dactilares perceptuales utilizando los algoritmos hash promedio (aHash), hash de diferencia (dHash), hash perceptual (pHash) y hash wavelet (wHash). Los hashes y la información de propiedad se almacenan en la blockchain, mientras que los activos multimedia se mantienen fuera del libro mayor. Las comprobaciones de derechos de autor se realizan mediante comparaciones de similitud a nivel de trama basadas en la distancia de Hamming. El marco propuesto fue probado en diversas manipulaciones temporales, espaciales y compresivas, incluyendo inserción, eliminación, recorte, redimensionamiento, rotación, filtrado y transcodificación. Los experimentos demostraron una gran robustez ante tales cambios mientras detectaban modificaciones no autorizadas. Por lo tanto, esta tecnología puede ofrecer una solución práctica a los problemas de derechos de autor utilizando un marco blockchain descentralizado.
Introducción
Los avances en las tecnologías multimedia digitales han cambiado la forma en que se producen, distribuyen y consumen los vídeos. La transmisión de vídeo, las redes sociales y los sistemas de intercambio de contenidos basados en Internet permiten la distribución rápida y sencilla de vídeos a audiencias de todo el mundo. Aunque los avances tecnológicos permiten más posibilidades creativas en la producción de contenido digital en vídeo y el crecimiento del negocio online, estos mismos avances han facilitado que los creadores de contenido experimenten violaciones de derechos de autor, piratería y problemas de propiedad1. Los vídeos pueden copiarse, editarse, recodificarse y redistribuirse fácilmente, lo que dificulta cada vez más la protección de la propiedad intelectual en el mundo multimediaactual 2,3.
Normalmente, los sistemas actuales de gestión de derechos de autor dependen de una autoridad central para registrar contenidos, validar la propiedad, gestionar acuerdos de licencia y gestionar disputas. A pesar de ser ampliamente adoptados, estos sistemas de gestión son propensos a varias limitaciones importantes4. Primero, la centralización expone los sistemas de gestión de derechos de autor a posibles ciberataques, manipulación de datos y tiempos de inactividad. Además, la propiedad de los derechos de autor la almacenan terceros de confianza, lo cual puede no ser del todo deseable en términos de auditoría y mantenimiento de la fiabilidad a largo plazo de dichainformación 5. Una mayor cantidad de contenido multimedia digital hace que los procesos de verificación convencionales sean menos eficientes, ya que tienden a requerir demasiado tiempo y a volverse pocoprácticos 6.
La tecnología blockchain parece ser una de las soluciones que puede resolver problemas de confianza y transparencia dentro del entornodistribuido. Utilizando libros mayores inmutables mediante criptografía y mecanismos de consenso, blockchain permite un registro seguro sin una autoridad central que controle el proceso. En cuanto los registros se añaden a la blockchain, se vuelven inmutables e inmutables, proporcionando así mayores niveles de trazabilidad y responsabilidad8. Por eso se han realizado muchos esfuerzos para estudiar aplicaciones blockchain en áreas como DRM, IP y garantía de propiedad multimedia9. Entre las plataformas blockchain existentes, Hyperledger Fabric ha recibido una atención significativa por sus características, incluyendo una arquitectura autorizada, una estructura modular, soporte para contratos inteligentes, privacidad y procesamiento rápido. En contraste con las cadenas públicas, la arquitectura autorizada de Hyperledger Fabric la hace ideal para sistemas de protección de derechosde autor 10.
Sin embargo, existen ciertas limitaciones en el uso de una blockchain como único medio para identificar el estado de derechos de autor del contenidomultimedia 11. Primero, las funciones hash criptográficas tradicionales (por ejemplo, SHA-256) producen resultados de hash completamente diferentes incluso cuando se realizan pequeños cambios en un vídeo12. Aunque es una característica deseable para fines criptográficos, dificulta el reconocimiento visual de versiones similares o modificadas de contenido multimedia protegido por derechos de autor. Por tanto, la verificación de derechos de autor multimedia debe basarse en algoritmos conscientes del contenido que puedan detectar similitudes perceptivas en imágenes ovídeos 13.
Una de las formas más prometedoras de abordar el problema de derechos de autor en contenido multimedia es utilizar el hashingperceptual 14. A diferencia del hashing criptográfico, el hashing perceptual produce huellas dactilares que codifican propiedades visuales de la imagen o fotogramade vídeo 15. Así, incluso si el archivo ha sido modificado mediante los procesos habituales (compresión, filtrado, reescalado, añadiendo ruido, etc.), el hash permanece relativamentesin cambios en 16. Actualmente se utilizan cuatro tipos de hashes perceptivos: hash medio, hash de diferencia, hash perceptual y hashwavelet 17,18.
Ha habido numerosos estudios de investigación que han investigado el uso de la tecnología blockchain en conjunto con técnicas de protección de derechos de autor para datos multimedia19. Trabajos anteriores han utilizado tecnología blockchain para el registro de propiedad, marcas de agua digitales, almacenamiento distribuido y gestión de pruebas, gestión descentralizada de derechos y almacenamiento seguro de contenido multimedia20. El Hyperledger Fabric se ha aprovechado en trabajos anteriores para permitir el registro de derechos de autor, la gestión de derechos y la auditoría de transacciones mediante contratos inteligentes y protocolos de consensoautorizados 21,22. Del mismo modo, se han propuesto enfoques de hashing perceptual y marca de agua para detectar contenido multimedia duplicado y manipulado. A pesar de estos prometedores trabajos en la gestión de derechos de autor mediante tecnología blockchain, aún existen algunaslagunas 23,24. En primer lugar, muchos marcos anteriores se centran principalmente en el registro de la propiedad, pero carecen de la capacidad de verificar el contenido. En segundo lugar, muchas obras han dependido de un único enfoque de hashing o marca de agua, lo que las hace más vulnerables a ataques de manipulación de vídeo25,26. La Tabla 1 muestra que los sistemas existentes generalmente admiten el registro de la propiedad, pero rara vez combinan la gestión descentralizada de la propiedad con la verificación de contenido multi-hash.
Con los avances en la tecnología de edición de vídeo, existe una mayor necesidad de una verificación eficiente de la propiedad de vídeo para prevenir la infracción de derechosde autor 27. La tecnología actual ofrece varios métodos para manipular temporalmente los vídeos añadiendo, eliminando, reemplazando y cambiando la tasa de fotogramas. De manera similar, las opciones de manipulación espacial incluyen redimensionamiento de fotogramas, escalado, filtrado, compresión, transcodificación y alteraciones geométricas devídeos. Estas manipulaciones dificultan identificar a los titulares de los derechos de autor, aunque no cambien la apariencia del vídeo. Un sistema eficiente debe ser capaz de diferenciar entre manipulación permitida, propiedad e infracción de derechos de autor conintegridad 29.
Para abordar el reto de una gestión eficiente de los derechos de autor de vídeo, este artículo propone un modelo descentralizado que aprovecha Hyperledger Fabric, contratos inteligentes y hashing perceptual. El marco propuesto generará huellas dactilares perceptuales utilizando técnicas de hashing, extrayendo los fotogramasde vídeo 30,31. Se emplearán cuatro técnicas diferentes de hashing, a saber, aHash, dHash, pHash y wHash, para generar huellas dactilares perceptuales. La información de propiedad, la marca de tiempo y los hashes se registran en el libro de cuentas autorizado basado en blockchain. Para mejorar la escalabilidad, CouchDB se utiliza junto con blockchain para almacenar contenido multimedia fuera de la cadena.
El marco propuesto emplea análisis de distancias de Hamming para validar la similitud a nivel de trama y detectar modificaciones, duplicaciones o el uso ilegal de vídeos. Al combinar varias técnicas de hashing perceptual con audibilidad basada en blockchain, la solución logra tanto autenticación a nivel de contenido como gestión de propiedad a prueba de manipulaciones. A diferencia de sistemas anteriores, que dependen de un único método de verificación, el marco propuesto utiliza múltiples descriptores perceptivos para soportar una variedad de manipulaciones temporales, espaciales y compresivas de vídeo.
Estas son las principales contribuciones presentadas en el trabajo de investigación: (1) Un enfoque descentralizador para el proceso seguro de registro y verificación de derechos de autor para vídeos utilizando el marco Hyperledger Fabric; (2) Se utilizan múltiples algoritmos de hashing perceptual, como aHash, dHash, pHash y wHash, para crear múltiples huellas digitales de vídeo que pueden reconocer vídeos similares incluso después de ser editados; (3) Se desarrolla un modelo de base de datos distribuida utilizando tanto Hyperledger Fabric como CouchDB para abordar problemas de escalabilidad sin comprometer la integridad y trazabilidad de los datos; (4) Se formula un proceso de verificación exhaustivo que implica el cálculo de la distancia de Hamming para determinar la manipulación de vídeos respecto a fotogramas y píxeles; (5) Se realizan experimentos para demostrar la capacidad del método propuesto para detectar vídeos modificados.
Así, al integrar la propiedad basada en blockchain y múltiples algoritmos de hash, el marco propuesto ofrece un enfoque factible para la protección descentralizada de los derechos de autor de vídeo.
Protocolo
Este estudio no incluyó participantes humanos, sujetos humanos, animales ni muestras clínicas. Por tanto, no se requería la aprobación ética institucional ni el consentimiento informado.
Materiales y software
El entorno utilizado para desplegar el framework era Hyperledger Fabric versión 2.4.8, CouchDB, Docker Containers, despliegue Minifab, aplicaciones de procesamiento multimedia FFmpeg y el lenguaje de programación Go. Hyperledger Fabric proporcionaba servicios para la gestión descentralizada del libro mayor y la ejecución de contratos inteligentes, mientras que CouchDB almacenaba y recuperaba la información de derechos de autor de forma eficiente a través de almacenamiento fuera de la cadena. FFmpeg se utilizaba para preprocesar vídeos y extraer fotogramas de vídeo, mientras que los algoritmos de hashing perceptual se aplicaban mediante bibliotecas de hashing de imágenes en el lenguaje de programación Go. Una lista de todas las herramientas y sus respectivas descripciones está ilustrada en la Tabla de Materiales.
Arquitectura del marco
El marco propuesto emplea algoritmos de hashing perceptual dentro del blockchain autorizado Hyperledger Fabric para permitir un enfoque descentralizado en la protección de derechos de autor de vídeo y la validación de la propiedad. El marco consta de cinco componentes principales: preprocesamiento de vídeo, generación perceptual de hash, registro de derechos de autor basado en blockchain y verificación basada en similitud. En este marco, Hyperledger Fabric actúa como la capa de confianza, proporcionando registros de propiedad inmutables, mientras que CouchDB proporciona almacenamiento fuera de la cadena. La arquitectura general del marco propuesto se muestra en la Figura 1.
Modelo del sistema de verificación de derechos de autor
Un flujo de trabajo detallado del sistema bajo investigación se muestra en la Figura 2. Comienza con la adquisición de vídeo, seguida de la extracción de fotogramas a intervalos regulares usando FFmpeg. Las tramas extraídas se procesan dentro del entorno de implementación de Hyperledger Fabric, que incluye acciones como el registro de la propiedad, la administración de certificados, la comunicación entre pares y la validación de transacciones. Se aplica un hashing perceptual a los fotogramas extraídos, seguido del cálculo de la distancia de Hamming para evaluar el grado de similitud. Si la distancia de Hamming está por debajo del umbral, el fotograma se considera auténtico y similar al contenido registrado; de lo contrario, se considera contenido modificado.
Adquisición de vídeo, preprocesamiento y creación de hashing perceptual
Las muestras de vídeo utilizadas en el experimento eran archivos MP4 a resolución 480p, con una duración media de unos 26 segundos. El conjunto de datos de evaluación incluía 15 muestras de vídeo, incluyendo un vídeo de referencia original y varias versiones modificadas. Estas modificaciones incluían tareas comunes de edición como cambiar la tasa de fotogramas, insertar, eliminar o sustituir fotogramas, y aplicar distorsiones como recorte, escalado, rotación y efectos de superposición. El conjunto de datos también incluía añadidos de compresión, ruido, texto y pegatinas, efectos de fallos y más. Todos los vídeos estaban en formato MP4 a resolución 480p y pasaban por los mismos pasos de preprocesamiento y generación de huellas dactilares. Diseñado para probar la resiliencia del sistema, este conjunto de datos abarca una amplia gama de escenarios reales que implican infracción y manipulación. Antes de ser objeto de detección y confirmación de derechos de autor, los archivos de vídeo pasaban por preprocesamiento en FFmpeg. Los fotogramas de los archivos de vídeo se extraían cada 1 segundo para obtener resúmenes condensados de contenido en forma de contenido visual que seguía siendo computacionalmente económico de procesar. A continuación, estos fotogramas se convertían a escala de grises y se normalizaban para minimizar los cambios en la intensidad de los píxeles derivados de las condiciones de iluminación, la codificación y las diferencias de compresión.
Se utilizaron cuatro funciones de hashing perceptual para producir huellas digitales de contenido de vídeo en forma de hashing promedio (aHash), hashing de diferencias (dHash), hash perceptual (pHash) y hash wavelet (wHash).
Para la generación de hash, los fotogramas primero se convertían a escala de grises y se redimensionaban a 8x8 píxeles para calcular aHash y dHash. Con aHash, se generaba una huella digital de 64 bits comparando cada píxel con el valor medio en escala de grises. El algoritmo dHash hizo algo similar, creando también una huella digital de 64 bits, pero analizó cómo diferían las intensidades de píxeles horizontales adyacentes. Para pHash, los fotogramas se redimensionaban a 32x32 píxeles, luego se calculaba la transformada discreta del coseno. Para generar la huella perceptual de 64 bits, solo se utilizaron los coeficientes DCT de baja frecuencia 8x8. En cuanto a wHash, los fotogramas se redimensionaron de nuevo a 32x32 píxeles, pero esta vez se procesaron con una transformada wavelet de Haar. Se generó un hash de 64 bits a partir de los coeficientes de wavelet de menor frecuencia extraídos. Todos estos ajustes de parámetros buscan un buen equilibrio entre eficiencia computacional y resistencia para manejar ajustes típicos de vídeo.
Para realizar cálculos eficientes de funciones hash, estas imágenes se normalizaron y redimensionaron. El método de hashing promedio funciona comparando la intensidad de los píxeles con la media de la imagen. El hashing de diferencias funciona de forma similar pero se centra en los gradientes locales comparando las intensidades de los píxeles con las de píxeles vecinos. El hashing perceptual utiliza características de Fourier que resultan de la DCT, mientras que el hashing wavelet se basa en los resultados de la transformada wavelet para extraer características.
Registro y verificación de derechos de autor basados en blockchain
Las huellas dactilares perceptuales, los metadatos de propiedad, las marcas de tiempo y los detalles de las transacciones obtenidos se introducen en la blockchain Hyperledger Fabric a través del contrato inteligente vitChain. La implementación de blockchain incluye dos organizaciones, dos pares, dos nodos ordenados, dos nodos de autoridad certificadora (CA) y bases de datos de estado CouchDB, todos enlazados mediante un canal automático. El marco de blockchain autorizado facilita el procesamiento seguro, el acceso restringido y el almacenamiento a prueba de manipulaciones de los datos de derechos de autor.
El procedimiento de registro de derechos de autor comienza una vez que el propietario del contenido sube el vídeo a través de la interfaz de usuario. Cuando un usuario envía un vídeo para el registro de derechos de autor, la capa de aplicación llama al contrato inteligente vitChain a través del SDK Hyperledger Fabric. Este registro incluye un ID de transacción único, información del propietario, ID de vídeo, marca de tiempo y cuatro tipos de valores de hash perceptivos: aHash, dHash, pHash y wHash. Además, hay metadatos sobre el contenido. La aplicación envía la propuesta de transacción a los pares que lo respaldan. Estos pares ejecutan la lógica de contratos inteligentes y se aseguran de que la transacción cumpla con la política de endoso. Tras la validación exitosa, la transacción pasa al servicio de pedido. Aquí, las transacciones verificadas se agrupan en bloques y se envían a nodos pares para su inclusión en el libro mayor. Mientras tanto, los metadatos relacionados se incorporan a CouchDB. Se conectan a los registros de la blockchain a través del ID de la transacción, permitiendo consultas fáciles y manteniendo tanto los datos on-chain como off-chain consistentes.
Tras el preprocesamiento y los cálculos de hash perceptivo, las huellas dactilares, junto con sus metadatos asociados, se ensamblan en una transacción que será ejecutada por el contrato inteligente. La validación de transacciones la realizan los pares participantes de acuerdo con la política de endoso especificada. Tras la endoso, la transacción se pasa al servicio de pedido para su inclusión en un bloque en el libro mayor distribuido. Para una operación fiable, incluimos la gestión básica de errores en los procesos de registro y verificación. Antes de que se realice una transacción, la app comprueba los metadatos obligatorios, la información de propiedad y los hashes perceptivos para evitar problemas. Si las transacciones no cumplen con las reglas de endoso o tienen parámetros inválidos, los nodos pares las rechazan directamente. Cuando hay problemas como fallos de comunicación o errores de procesamiento, el sistema los registra y envía una alerta administrativa. Esto ayuda a evitar que se propaguen errores menores de procesamiento por el sistema. Durante las comprobaciones de derechos de autor, los vídeos que contienen metadatos inválidos o valores hash corruptos quedan excluidos del proceso de verificación. Los vídeos en los que falla la generación de huellas digitales también se excluyen del proceso de verificación. En general, estos pasos mantienen los datos limpios y refuerzan la fiabilidad del marco. La información de propiedad del vídeo protegido por derechos de autor se vuelve inmutable y está disponible para su posterior recuperación.
Verificación
El proceso de verificación implica pasos similares de preprocesamiento y cálculo de huellas dactilares, seguidos de una comparación de huellas dactilares con huellas almacenadas en la blockchain utilizando una medida de similitud basada en la distancia de Hamming. En función de la medida de similitud, el contrato inteligente determina la información de derechos de autor del vídeo enviado. El flujo de trabajo de interacción se representa en la Figura 3.
Verificación de derechos de autor basada en similitud
El proceso de verificación de derechos de autor compara las huellas dactilares perceptivas derivadas del vídeo de consulta con las huellas previamente almacenadas en el sistema blockchain. El mismo proceso de preprocesamiento y generación de valor hash utilizado durante el registro se repite en la fase de verificación para mantener la consistencia. La similitud se mide usando la distancia de Hamming, que cuenta el número de diferencias de bits entre dos valores hash. Las distancias Hamming más pequeñas indican una mayor similitud entre los dos vídeos, mientras que distancias Hamming mayores indican manipulación del contenido. Para ver si el vídeo de consulta coincidía con el vídeo registrado, usamos la distancia de Hamming entre sus valores de hash perceptuales. A partir de experimentos preliminares, se seleccionó un umbral de distancia de Hamming de 20 para proporcionar un equilibrio adecuado entre la robustez a operaciones comunes de procesamiento de vídeo y la sensibilidad a modificaciones no autorizadas. Los vídeos con una distancia de Hamming de 20 o menos se consideraban que representaban el mismo contenido protegido por derechos de autor. Si fuera más, mostraría grandes cambios. Este 20 fue elegido para gestionar editajes de vídeo comunes como compresión, filtrado, transcodificación y cambios en la tasa de fotogramas, pero aún así detecta cambios no autorizados. Se realizan mediciones de similitud para todas las huellas dactilares recogidas y luego se agregan para producir una conclusión de verificación de derechos de autor. Los vídeos que se desvían del contenido registrado se marcan para un escrutinio adicional.
Entorno de despliegue
El entorno de pruebas se creó usando contenedores Docker y la herramienta de orquestación Minifab. Se desplegó una red blockchain basada en la versión 2.4.8 de Hyperledger Fabric con CouchDB como base de datos de estado y capa de almacenamiento para los datos de contratos inteligentes. El contrato inteligente vitChain se implementó en Go y se desplegó utilizando el ciclo de vida del código de cadena de Hyperledger Fabric. Los parámetros de despliegue se resumen en la Tabla 2. La red estaba formada por dos organizaciones participantes, concretamente el Creador de Contenidos y el Videógrafo. Para garantizar la integridad de las transacciones y evitar registros o modificaciones no autorizadas de derechos de autor, se implementó una política de endoso multi-organización, que requería la aprobación de ambas organizaciones antes de que una transacción pudiera ser registrada en el libro mayor. Específicamente, la política de endoso seguía una regla AND, expresada como AND ('ContentCreatorMSP.peer', 'VideographerMSP.peer').
Resultados
Para evaluar la eficacia del modelo propuesto de protección descentralizada de derechos de autor, se prueba frente a diversos ataques de manipulación de vídeo que ocurren con frecuencia durante la transmisión multimedia, la edición e infracción de derechos de autor. Dos factores principales en la evaluación incluyen: (i) la fiabilidad del algoritmo de hash perceptual para detectar derechos de autor y manipulaciones, y (ii) el rendimiento de la red blockchain Hyperledger Fabric. Las puntuaciones de similitud se generaron calculando el hash medio (aHash), el hash de diferencia (dHash), el hash perceptual (pHash) y el hash wavelet (wHash), que luego se compararon con las huellas digitales de vídeo grabadas en la blockchain.
Análisis de similitud bajo ataques de manipulación de vídeo
La robustez del modelo se evaluó utilizando varios ataques aplicados a vídeos, incluyendo ataques temporales, espaciales, geométricos, de compresión, filtrado y manipulación adversarial. Los valores de similitud de este estudio provienen de experimentos individuales para cada escenario de manipulación de vídeo. Cada tipo de manipulación se aplicó una vez para crear un caso de prueba representativo, y sus puntuaciones de similitud se registraron para su análisis. El objetivo era comprobar qué tan bien el marco propuesto podía detectar cambios relacionados con derechos de autor bajo diversas condiciones realistas de ataque. Por tanto, los valores reportados muestran resultados de casos individuales de prueba, no promedios de ensayos repetidos.
Las puntuaciones de similitud utilizando cuatro algoritmos de hashing perceptual se listan en la Tabla 3. El modelo propuesto logra un grado relativamente alto de similitud bajo la mayoría de los ataques que preservan el contenido, mientras permanece sensible a grandes cambios estructurales en los vídeos (Tabla 3).
Rendimiento bajo transformaciones temporales
Las transformaciones temporales como la inserción de fotogramas, la eliminación de fotogramas, la sustitución de fotogramas y la conversión de tasa de fotogramas afectan principalmente a la continuidad temporal de los vídeos, preservando casi intactas sus características espaciales. Los experimentos demostraron que la inserción y sustitución de tramas lograron más del 80% de similitud con todos los algoritmos probados de huellas dactilares (Figura 4). Por lo tanto, las huellas dactilares perceptuales mantuvieron las características visuales de los vídeos a pesar de los cambios temporales.
La eliminación de tramas produjo una ligera disminución en los valores de similitud debido a la ausencia de información en las tramas. No obstante, las huellas eran lo suficientemente similares como para proporcionar un rendimiento adecuado para detectar infracciones de derechos de autor. Las variaciones en la tasa de fotogramas no afectaron significativamente a las medidas de similitud, ya que dieron valores superiores al 97% en la mayoría de las muestras de prueba. Esto se debe a que las transformaciones de tasa de fotogramas no alteran significativamente las características de los fotogramas.
Influencia de las transformaciones espaciales y geométricas
Las transformaciones geométricas y espaciales afectan directamente a las estructuras visuales en los fotogramas de vídeo, lo que dificulta relativamente la técnica de hashing perceptivo. Las regiones localmente manipuladas solo provocaron una ligera disminución en los valores de similitud, ya que las modificaciones visuales fueron localizadas y no alteraron sustancialmente el hash perceptivo global.
Las operaciones de recorte resultaron en una mayor variación en los valores de similitud debido a la eliminación de partes del material visual. Las transformaciones rotacionales provocaron la mayor reducción en los valores de similitud, con valores que oscilaron entre aproximadamente el 48% y el 66% en las técnicas de hash perceptual. Esto es comprensible, ya que la rotación cambia las estructuras espaciales que desempeñan un papel importante en el hash perceptual. Escalar las imágenes tuvo poco efecto en las puntuaciones de similitud, ya que los valores se mantuvieron por encima del 96%. La Figura 5 resume los resultados de similitud obtenidos bajo rotación de vídeo, incluyendo transformaciones geométricas.
Robustez a la compresión, filtrado y ruido
La compresión y la transcodificación son actividades rutinarias al almacenar y distribuir multimedia. El análisis experimental ha demostrado que las similitudes eran consistentemente superiores al 98% incluso después de la compresión, transcodificación y recodificación MPEG con varios códecs de vídeo. A partir de los hallazgos, se puede inferir que las huellas dactilares perceptivas retienen la mayor parte del contenido visual a pesar de los errores de compresión y el ruido de cuantización. Además, se han realizado experimentos sobre la adición y filtrado de ruido. Independientemente de lo fuerte que fuera el ruido, la similitud siempre estuvo entre el 98% y el 99%. Además, el filtrado gaussiano, mediano y pasa bajos resultó en cambios mínimos en la similitud, preservando la información estructural global del vídeo.
Detección de modificaciones complejas y adversariales
El modelo propuesto también fue investigado para identificar ataques como añadir texto o pegatinas a fotogramas de vídeo, fusionar clips de vídeo y ataques de modificación por colusión. Dicha modificación se utiliza para preservar la coherencia mientras se realizan cambios no autorizados en material protegido por derechos de autor. El resultado del análisis de similitud tras añadir texto a los fotogramas de vídeo se muestra en la Figura 6 a continuación, mientras que la Figura 7 muestra los resultados del análisis de similitud de clips de vídeo fusionados.
Comparación del rendimiento de algoritmos de hashing perceptual
Cada uno de los cuatro algoritmos de hashing perceptual tuvo propiedades específicas observadas durante las pruebas experimentales. El hashing perceptual (pHash) resultó muy resistente a la compresión, filtrado y transcodificación, manteniendo su sensibilidad a manipulaciones estructurales. El hashing wavelet (wHash) funcionaba bien bajo manipulaciones locales, como añadir texto u objetos.
El hashing de diferencias (dHash) podía detectar manipulaciones estructurales relacionadas con gradientes, pero era más sensible a la rotación. El hashing promedio (aHash) era estable cuando se aplicaba a operaciones aplicadas globalmente que no cambiaban la intensidad total, pero era menos estable cuando se realizaba manipulación geométrica. En conjunto, pHash y wHash produjeron los mejores resultados entre los algoritmos probados.
Evaluación del rendimiento de la tecnología blockchain
Además del rendimiento en la verificación de contenido, también se tuvo en cuenta la escalabilidad y el rendimiento del sistema blockchain. Durante los experimentos, se descubrió que el tiempo necesario para subir archivos crecía linealmente con el tamaño del archivo y el tamaño de la red, debido a la sincronización necesaria entre los pares.
De manera similar, el tiempo para minar y crear bloques creció linealmente con el número de compañeros. Este resultado se predijo porque se vuelve más difícil realizar transacciones a medida que crece el número de pares, lo que requiere más comunicación. Sin embargo, el tiempo observado por los autores fue lo suficientemente realista para el dominio de aplicación del registro de derechos de autor.
La operación de acceso a bloques no mostró variaciones significativas hasta que el tamaño de la red superó un valor específico. El rendimiento observado también se ve afectado por la arquitectura de almacenamiento híbrido. En este sistema, los metadatos de propiedad, la información de transacciones y los valores de hash perceptivos se almacenan en la blockchain, mientras que CouchDB gestiona los datos multimedia. Esto reduce la cantidad añadida al libro mayor distribuido, ayudando a mantener bajo control el crecimiento del almacenamiento blockchain. Aunque los autores no realizaron una comparación específica con un diseño solo blockchain, los experimentos muestran que el sistema sigue funcionando bien para el procesamiento y recuperación de transacciones a través de diferentes configuraciones de red. Las figuras 8–11 resumen las evaluaciones de rendimiento de los investigadores en blockchain a través de diversas configuraciones de red.
En general, los resultados experimentales indican un rendimiento eficiente del sistema sugerido que combina hashing perceptual con tecnología blockchain. El marco sugerido es resistente a operaciones de preservación de contenido y, al mismo tiempo, sensible a ataques que cambian la estructura. Además, puede registrar y verificar derechos de autor en la red Hyperledger Fabric.
Disponibilidad de datos:
Los datos y códigos utilizados en el presente estudio han sido subidos al repositorio Zenodo y pueden consultarse desde: https://doi.org/10.5281/zenodo.20665324. Estos incluyen conjuntos de datos de marcos extraídos, hashes perceptuales, computación de distancia de Hamming, pruebas de benchmarking blockchain, código de contratos inteligentes, archivos de despliegue y otros metadatos utilizados en los experimentos sobre registro y verificación de derechos de autor.
Figura 1: Arquitectura propuesta del marco descentralizado de protección de derechos de autor de vídeo. La figura muestra la estructura general del marco propuesto, incluyendo preprocesamiento de vídeo, generación perceptual de hash, registro de blockchain, verificación de propiedad y almacenamiento en CouchDB. Por favor, haz clic aquí para ver una versión ampliada de esta figura.
Figura 2: Modelo de sistema propuesto para la protección de derechos de autor y el flujo de trabajo de verificación de vídeo. El flujo de trabajo demuestra la adquisición de vídeo, la extracción de fotogramas, la generación perceptual de hash, el registro de blockchain, la verificación de similitud y los procesos de toma de decisiones de derechos de autor dentro del marco propuesto. Por favor, haz clic aquí para ver una versión ampliada de esta figura.
Figura 3: Diagrama de secuencia para el registro y verificación de derechos de autor en vídeo. El diagrama de secuencia representa las interacciones entre el propietario del contenido, la capa de aplicación, el módulo de hash perceptivo, el contrato inteligente, los nodos pares, el servicio de ordenación, el libro mayor de blockchain y CouchDB durante el registro y la verificación de derechos de autor. Por favor, haz clic aquí para ver una versión ampliada de esta figura.
Figura 4: Análisis de similitud bajo múltiples operaciones de edición de fotogramas. La figura presenta el rendimiento acumulativo de similitud del marco propuesto en varios escenarios de manipulación temporal de vídeo, incluyendo inserción, eliminación, reemplazo y modificación de la tasa de fotogramas. Por favor, haz clic aquí para ver una versión ampliada de esta figura.
Figura 5: Análisis de similitud bajo rotación de vídeo. La figura muestra el impacto de la rotación de vídeo en las puntuaciones de similitud. Esto demuestra la eficacia del marco propuesto incluso cuando los vídeos se rotan de forma moderada. Por favor, haz clic aquí para ver una versión ampliada de esta figura.
Figura 6: Añadir texto al vídeo. Esto muestra la similitud resultante tras insertar texto en los fotogramas de vídeo. Demuestra la capacidad del marco propuesto para identificar cambios en el contenido mientras verifica la titularidad. Por favor, haz clic aquí para ver una versión ampliada de esta figura.
Figura 7: Segmentos fusionados en el vídeo. Esto representa el análisis de la similitud de vídeo generada al fusionar fragmentos de diversas fuentes. Por favor, haz clic aquí para ver una versión ampliada de esta figura.
Figura 8: Análisis del tiempo de ejecución para subir archivos en almacenamiento fuera de cadena de CouchDB con un número variable de pares. Esta figura muestra el tiempo que requiere el marco propuesto para subir metadatos de vídeo a almacenamiento fuera de cadena para diferentes tamaños de archivo y configuraciones de red. Por favor, haz clic aquí para ver una versión ampliada de esta figura.
Figura 9: Análisis del tiempo de ejecución en segundos para minería de bloques para archivos de diferentes tamaños con un número variable de pares en la red blockchain. Esta figura muestra el rendimiento de una operación de minería por bloques en la red Hyperledger Fabric a través de diferentes configuraciones de red. Este experimento muestra los efectos del tamaño del archivo y la configuración nodo entre pares en el rendimiento del sistema. Por favor, haz clic aquí para ver una versión ampliada de esta figura.
Figura 10: Análisis del tiempo de ejecución en segundos para la creación de bloques de diferentes tamaños de archivos con un número variable de pares en la red blockchain. La figura siguiente muestra el tiempo necesario para crear un bloque en la red bajo diferentes configuraciones de red. Esto ayuda a analizar las capacidades operativas y la escalabilidad del marco. Por favor, haz clic aquí para ver una versión ampliada de esta figura.
Figura 11: Análisis del tiempo de ejecución en segundos para el acceso a bloques para archivos de diferentes tamaños con un número variable de pares en la red blockchain. Esta figura muestra el tiempo necesario para recuperar información del sistema blockchain para diferentes tamaños de archivo y configuraciones de nodos pares. Esto demuestra que el marco propuesto puede utilizarse eficazmente para la validación de derechos de autor y la recuperación de la propiedad. Por favor, haz clic aquí para ver una versión ampliada de esta figura.
| S. No. | Autor(es) | Aplicación | Blockchain | Seguridad | Protección | Escalabilidad | Protección de Derechos de Autor | Almacenamiento fuera de cadena | Integridad | Descentralizado |
| 1 | Liu et al.13 | Protección de derechos de autor digital utilizando tecnología blockchain | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✗ | ✓ |
| 2 | Zheng et al.12 | Protección de derechos de autor de vídeo basada en blockchain con marca de agua | ✓ | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ |
| 3 | Qureshi et al.11 | Marco de gestión de derechos de autor multimedia | ✓ | ✓ | ✗ | ✗ | ✓ | ✓ | ✗ | ✓ |
| 4 | Darwish et al.9 | Marca de agua en vídeo y verificación de derechos de autor | ✓ | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ |
| 5 | Li et al.7 | Sistema descentralizado de gestión de operaciones de derechos de autor musicales | ✓ | ✓ | ✗ | ✗ | ✓ | ✓ | ✗ | ✓ |
| 6 | Pandian et al.10 | Verificación de integridad de vídeo basada en blockchain | ✓ | ✓ | ✗ | ✗ | ✓ | ✗ | ✓ | ✓ |
| 7 | Guo J et al.6 | Gestión de derechos digitales para recursos multimedia de educación en línea | ✓ | ✗ | ✗ | ✗ | ✓ | ✓ | ✗ | ✓ |
| 8 | Moolikagedara et al.14 | Sistema de propiedad y trazabilidad basado en blockchain | ✓ | ✓ | ✗ | ✗ | ✓ | ✓ | ✗ | ✓ |
| 9 | Madapati y Pradhan5 | Marco de protección de derechos de autor de vídeo basado en Ethereum | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ | ✓ |
| 10 | Frattolillo et al.8 | Protección de derechos de autor digitales habilitada por contratos inteligentes | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✗ | ✓ |
| 11 | Marco Propuesto | Protección de derechos de autor de vídeo basada en Hyperledger Fabric usando múltiples hashes perceptivos (aHash, dHash, pHash y wHash) | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ |
Tabla 1: Comparación de los sistemas existentes de protección de derechos de autor basados en blockchain. La tabla compara los métodos actuales de protección de derechos de autor basados en blockchain con el marco propuesto en factores clave, incluyendo el uso de blockchain, contratos inteligentes, hashing perceptivo, escalabilidad, protección de derechos de autor, seguridad de propiedad, comprobaciones de integridad y descentralización.
| Parámetro | Configuración |
| Plataforma blockchain | Hyperledger Fabric 2.4.8 |
| Tipo de red | Blockchain con permiso |
| Número de organizaciones | 2 |
| Número de nodos pares | 2 |
| Número de nodos ordenadores | 2 |
| Autoridades certificadoras | 2 |
| Canal de comunicación | autocanal |
| Nombre de contrato inteligente | vitChain |
| Lenguaje de contratos inteligentes | Ve |
| Base de datos estatal | CouchDB |
| Herramienta de despliegue | Minifab |
| Plataforma de contenedores | Docker |
| Mecanismo de Consenso | Servicio de Pedido de Balsas |
| Almacenamiento de metadatos | CouchDB |
| Propiedad Almacenamiento | Libro mayor de blockchain |
Tabla 2: Parámetros de configuración de despliegue de Hyperledger Fabric. La tabla enumera los detalles de configuración de despliegue de la red blockchain Hyperledger Fabric, incluyendo la organización, los pares, el servicio de pedidos, la autoridad certificadora, el canal de comunicación, el mecanismo de consenso, los contratos inteligentes y el almacenamiento utilizado para la experimentación.
| S.No | Ataque de vídeo | pHash (%) | wHash (%) | dHash (%) | aHash (%) |
| 1 | Ataque de inserción de trama | 82.81 | 84.33 | 81.31 | 86.42 |
| 2 | Ataque de eliminación de tramas (espacio a la izquierda) | 82.69 | 81.78 | 80.17 | 81.07 |
| 3 | Ataque de eliminación de tramas (espacio eliminado) | 75.37 | 78.68 | 76.19 | 79.69 |
| 4 | Ataque de reemplazo de chasis | 84.86 | 82.6 | 84.19 | 81.07 |
| 5 | Ataque de manipulación regional | 99.4 | 98.59 | 99.46 | 99.76 |
| 6 | Ataque de compresión MPEG | 99.64 | 99.61 | 99.1 | 99.64 |
| 7 | Ataque por adición de ruido (25%) | 99.52 | 99.58 | 98.8 | 99.7 |
| 8 | Ataque por adición de ruido (50%) | 99.64 | 99.4 | 98.68 | 99.52 |
| 9 | Ataque por adición de ruido (75%) | 99.52 | 99.31 | 98.14 | 99.22 |
| 10 | Ataque de Cultivo | 69.71 | 54.81 | 69.11 | 57.27 |
| 11 | Ataque de rotación (30°) | 54.21 | 60.61 | 57.09 | 65.56 |
| 12 | Ataque por rotación (60°) | 48.56 | 53.97 | 51.38 | 57.57 |
| 13 | Ataque escalable | 98.56 | 99.28 | 96.81 | 97.48 |
| 14 | Traducción + Voltear (izquierda–derecha) | 52.88 | 63.46 | 51.2 | 68.63 |
| 15 | Traducción + Volteo (arriba–abajo) | 50 | 45.34 | 60.7 | 42.73 |
| 16 | Filtrado mediano (25) | 98.92 | 99.1 | 98.02 | 99.7 |
| 17 | Filtrado mediano (50) | 98.08 | 98.17 | 97.3 | 99.28 |
| 18 | Filtrado pasa-bajos | 97.84 | 99.13 | 96.03 | 96.63 |
| 19 | Desenfoque Gaussiano (σ = 5) | 99.76 | 98.68 | 98.68 | 99.76 |
| 20 | Desenfoque Gaussiano (σ = 10) | 99.76 | 97.6 | 97.78 | 99.4 |
| 21 | Regrabación (Ataque con cámara de vídeo) | 98.68 | 98.83 | 91.95 | 93.51 |
| 22 | Conversión de formato (codificador MPEG-4) | 99.16 | 99.19 | 98.14 | 99.4 |
| 23 | Conversión de formato (codificador H.264 QSV) | 99.76 | 99.79 | 99.1 | 99.82 |
| 24 | Conversión de formato (Libvpx-VP9 Encoder) | 99.76 | 99.7 | 99.04 | 99.76 |
| 25 | Ataque temporal (15 fps) | 97.48 | 98.26 | 98.02 | 99.4 |
| 26 | Ataque temporal (24 fps) | 99.16 | 99.16 | 98.38 | 99.82 |
| 27 | Ataque de Colusión | 99.76 | 99.28 | 98.74 | 99.58 |
| 28 | Ataque de transcodificación | 99.76 | 99.7 | 99.04 | 99.76 |
| 29 | Ataque por cambio de tasa de bits | 99.52 | 99.7 | 99.4 | 99.76 |
Tabla 3: Análisis de similitud entre vídeos originales y modificados bajo diferentes ataques. La tabla ilustra las puntuaciones de similitud generadas por varias técnicas de hashing perceptual bajo diversas manipulaciones de vídeo, incluyendo inserción, eliminación, reemplazo de fotogramas, rotación, compresión, escalado, adición de ruido, suma de texto y fusión de vídeo.
Discusión
Como demuestra el marco propuesto, integrar blockchain con el hashing perceptual puede proteger eficazmente los vídeos de infracciones de derechos de autor de manera descentralizada. En primer lugar, al combinar el registro de propiedad inmutable y el hashing perceptivo, satisface ambas condiciones primarias de los sistemas de gestión de derechos de autor: el registro seguro de la propiedad e identificación de materiales protegidos. En segundo lugar, usar Hyperledger Fabric permite el control de acceso, la gestión transparente de transacciones y la gestión de registros a prueba de manipulaciones.
Una variedad de funciones hash perceptuales ofrece ventajas adicionales, permitiendo tipos de detección que no son posibles con una sola función hash perceptual. AHash detecta propiedades de intensidad global y es menos intensivo computacionalmente que dHash, que está más enfocado en cambios locales de gradiente y variaciones estructurales. Por otro lado, pHash utiliza información en el dominio de la frecuencia y es más robusto para operaciones de compresión y filtrado, mientras que wHash es bueno detectando cambios localizados, como añadir texto o pegatinas. Por tanto, la combinación de todas estas funciones hash hará muy poco probable que se pierda la detección debido a las limitaciones de cada función hash por separado. Los resultados experimentales muestran que la sensibilidad a varios tipos de modificaciones varía entre algoritmos, demostrando la utilidad de aplicar el concepto de multi-hash a la detección de manipulación de vídeo.
El uso de Hyperledger Fabric y CouchDB reduce la cantidad de datos almacenados en la blockchain, haciendo que la gestión de metadatos sea mucho más eficiente. Las pruebas muestran que el marco funciona bien en la práctica, pero aún necesitamos realizar una comparación cuantitativa robusta entre los sistemas de almacenamiento híbridos y totalmente en cadena. Esto debería investigarse en futuros estudios.
Mientras que la mayoría de las demás soluciones de derechos de autor en blockchain se centran únicamente en el registro de la titularidad de derechos de autor, el enfoque introducido implica tanto la propiedad como la validación a nivel de contenido. Estas capacidades pueden ser muy útiles para resolver cuestiones de derechos de autor en la práctica, ya que los meros registros de propiedad no son suficientes para determinar si un vídeo editado o redistribuido está relacionado con el material protegido por derechos de autor.
Aun así, existen algunas limitaciones. La prueba se realizó en vídeos con ciertas características y bajo condiciones específicas. Además, las manipulaciones geométricas, como la rotación, siguen siendo problemáticas para verificar medios mediante hashing perceptual. En el futuro, se espera que pruebe el sistema en conjuntos de datos multimedia adicionales y examine la posibilidad de hacer que las huellas dactilares sean invariantes en la rotación y de utilizar algoritmos de inteligencia artificial para identificar automáticamente las infracciones de derechos de autor.
El registro de auditorías y el seguimiento de derechos de autor se incorporaron como componentes arquitectónicos del marco propuesto. Sin embargo, su efectividad no fue evaluada de forma independiente en el presente estudio. Investigaciones futuras investigarán su papel en la resolución de disputas, la detección de anomalías y la monitorización automatizada de derechos de autor en entornos multimedia a gran escala.
Este estudio presentó un marco descentralizado para la protección de derechos de autor de vídeo que integra la tecnología blockchain Hyperledger Fabric con múltiples técnicas de hashing perceptual para apoyar el registro seguro de la propiedad y la verificación de derechos de autor basada en contenido. El marco propuesto combina algoritmos aHash, dHash, pHash y wHash con servicios blockchain habilitados por contratos inteligentes para establecer un sistema de gestión de derechos de autor transparente, resistente a manipulaciones y verificable.
La evaluación experimental demostró que el marco soporta eficazmente la verificación de derechos de autor bajo una amplia gama de modificaciones temporales, espaciales y basadas en compresión. El uso de múltiples técnicas de hashing perceptual mejoró la robustez frente a operaciones comunes de procesamiento multimedia, manteniendo la capacidad de detectar alteraciones no autorizadas en el contenido. Además, la integración de Hyperledger Fabric y CouchDB proporcionó una arquitectura de almacenamiento híbrida que preservaba la integridad y trazabilidad de los datos, permitiendo a la vez una gestión eficiente de los metadatos.
A partir de estos hallazgos, se deduce que el sistema sugerido fusiona eficazmente los principios de gestión descentralizada y autenticación a nivel de contenido, superando así algunas de las carencias de los sistemas clásicos de protección centralizada de derechos de autor. Además, el sistema presentado ofrece una auditoría transparente, una propiedad inmutable y procesos de verificación basados en la similitud de contenido.
En conclusión, la investigación muestra que integrar blockchain y hashing perceptual podría ofrecer soluciones para la protección de derechos de autor de vídeo de próxima generación. Las investigaciones futuras incluirán una evaluación más completa del rendimiento del marco sugerido en bases de datos de vídeo más grandes y variadas, junto con el desarrollo de mecanismos avanzados de huella dactilar.
Divulgaciones
Los autores no tienen conflictos de interés que declarar.
Agradecimientos
Los autores desean agradecer a la Universidad VIT-AP, Amaravati, India, por proporcionar las instalaciones computacionales y el apoyo en investigación necesarios para llevar a cabo este estudio. Los autores también reconocen el apoyo recibido del Departamento de Ciencias de la Computación e Ingeniería durante el desarrollo y evaluación del marco propuesto.
Materiales
| Nombre | Empresa | Número de catálogo | Comentarios |
|---|---|---|---|
| CouchDB | Apache Software Foundation | https://couchdb.apache.org | NoSQL database used for off-chain storage of video metadata and multimedia content. |
| Docker | Docker Inc. | https://www.docker.com | Containerization platform used to deploy blockchain nodes, CouchDB instances, and supporting services. |
| FFmpeg | FFmpeg Developers | https://ffmpeg.org | Multimedia processing framework used for video decoding, frame extraction, and preprocessing. |
| Go Programming Language | Google LLC | Version 1.20+; https://go.dev | Programming language used to develop the vitChain smart contract (chaincode). |
| Google Drive | Google LLC | https://drive.google.com | Storage platform used for hosting and retrieving experimental video datasets. |
| Hyperledger Fabric | Hyperledger Foundation | Version 2.4.8; https://hyperledger-fabric.readthedocs.io | Permissioned blockchain platform used for decentralized copyright registration, transaction validation, and ledger management. |
| ImageHash Library | Loupax | https://github.com/loupax/imagehash | Library used to generate perceptual hash values for video-frame authentication. |
| Minifab | IBM / Hyperledger Community | https://github.com/hyperledger-labs/minifab | Lightweight deployment and orchestration tool used to configure and manage the Hyperledger Fabric network. |
| Ubuntu Linux | Canonical Ltd. | Ubuntu 22.04 LTS | Operating system used for blockchain deployment and experimental evaluation. |
| Visual Studio Code | Microsoft Corporation | https://code.visualstudio.com | Integrated development environment used for source code development and debugging. |
Referencias
- Hou Z, et al. Zero-watermark method based on multi-channel PCNN and blockchain for remote sensing image transaction certificate and copyright protection. IEEE Transactions on Geoscience and Remote Sensing. 2025 Jun 2.
- Zhang T. TMRB: Trusted Multimedia Scheme With Redactable Blockchain. IEEE Transactions on Consumer Electronics. 2025 Feb 17.
- Sathyabama AR, Katiravan J. BlockImage: A Secure Framework for Image Authentication and Provenance using AI and Blockchain. Journal of Innovative Image Processing. 2025 Mar;7(1):28-49.
- Gao J, Zhang X, Moshayedi AJ, Zhong S. Research on data storage and sharing of intelligent video surveillance in steel plants based on blockchain: J. Gao et al. The Journal of Supercomputing. 2025 May 30;81(8):931.
- Madapati SL, Pradhan NR. Decentralizing video copyright protection: a novel blockchain-enabled framework with performance evaluation. Frontiers in Artificial Intelligence. 2025 Aug 18;8:1655709.
- Guo J, et al. Blockchain-enabled digital rights management for multimedia resources of online education. Multimedia Tools and Applications. 2020 Apr;79(15):9735-55.
- Li Y, et al. A decentralized music copyright operation management system based on blockchain technology. Procedia Computer Science. 2021 Jan 1;187:458-63.
- Frattolillo F. Blockchain and smart contracts for digital copyright protection. Future Internet. 2024 May 14;16(5):169.
- Darwish SM, Abu-Deif MM, Elkaffas SM. Blockchain for video watermarking: An enhanced copyright protection approach for video forensics based on perceptual hash function. PloS one. 2024 Oct 22;19(10):e0308451.
- Pandian PS, et al. Blockchain-Assisted Video Integrity Verification Using ResNeXt and LSTM-Based Deepfake Detection. International Journal of Basic and Applied Sciences. 2025;14:802-7.
- Qureshi A, Megias Jimenez D. Blockchain-based multimedia content protection: Review and open challenges. Applied Sciences. 2020 Dec 22;11(1):1.
- Zheng J, et al. A novel video copyright protection scheme based on blockchain and double watermarking. Security and communication networks. 2021;2021(1):6493306.
- Liu Y, Zhang J, Wu S, Pathan MS. Research on digital copyright protection based on the hyperledger fabric blockchain network technology. PeerJ Computer Science. 2021 Sep 17;7:e709.
- Moolikagedara K, Nguyen M, Yan WQ, Li XJ. Video Blockchain: A decentralized approach for secure and sustainable networks with distributed video footage from vehicle-mounted cameras in smart cities. Electronics. 2023 Aug 27;12(17):3621.
- Riaz A, et al. S2H-securing smart homes: A blockchain-based preservation approach. Internet of Things. 2025 Mar 1;30:101523.
- Adeniyi JK, et al. A blockchain-based smart healthcare system for data protection. IScience. 2025 Apr 18;28(4).
- Alamsyah A, Setiawan IP. Enhancing privacy and traceability of public health insurance claim system using blockchain technology. Frontiers in Blockchain. 2025 Feb 11;8:1474434.
- Xu S, Yang X, Xie Z. The future of misinformation control: integrating advanced algorithms and Blockchain for effective Deepfake detection. Peer-to-Peer Networking and Applications. 2025 Jul;18(4):244.
- Asaithambi S, et al. A secure and trustworthy blockchain-assisted edge computing architecture for industrial internet of things. Scientific Reports. 2025 May 2;15(1):15410.
- AbdElkareem N, Selim, M. & Shalaby, A. Blockchain-Based Computationally Efficient Procedure for Multimedia Security Utilizing Bit Plane Slicing and Wavelet Transform. Arab J Sci Eng 50, 19135–19151 (2025).
- Abreu H, Pereira V, Barata J. Blockchain-based digital product passport: design principles and demonstration. International Journal of Production Research. 2025 Aug 18;63(16):5863-82.
- Sychowiec J, Zieliński Z. A Blockchain-Based Framework for Secure Data Stream Dissemination in Federated IoT Environments. Electronics. 2025 May 20;14(10):2067.
- Zhao K, Bao Z, Zhang Y, Lei H. BECAAC: A blockchain and edge computing-assisted access control scheme for medical data sharing. IEEE Internet of Things Journal. 2025 Jun 5.
- Ilyas B, Kumar A, Ali SM, Lei H. Blockchain-enabled IoT access control model for sharing electronic healthcare data. Multimedia Tools and Applications. 2025 Mar;84(10):8127-48.
- Rani D, et al. A secure digital evidence preservation system for an iot-enabled smart environment using ipfs, blockchain, and smart contracts. Peer-to-Peer Networking and Applications. 2025 Mar;18(2):5.
- Ahmed O, Kamabe H. Proposing blockchain based framework to mitigate VUCA realm problems for automobile life cycle. Frontiers in Blockchain. 2025 Jun 27;8:1607271.
- Dutta J, Barman S. Smart contract and blockchain-based secured approach for storing and sharing electronic health records. Multimedia Tools and Applications. 2025 May;84(16):16883-907.
- Diba BS, et al. From centralization to decentralization: Blockchain’s role in transforming social media platforms. IEEE Access. 2025 Apr 16.
- Kulkarni MD, Awate A, Shahade M, Nandwalkar B. ExamGuard: Smart contracts for secure online test. Information Systems. 2025 Feb 1;128:102485.
- Ohize HO, et al. Blockchain for securing electronic voting systems: a survey of architectures, trends, solutions, and challenges. Cluster Computing. 2025 Apr;28(2):132.
- Xiong R, et al. Leveraging consortium blockchain for secure cross-domain data sharing in supply chain networks. IEEE Transactions on Services Computing. 2025 Feb 20.